基于人工智能芯片的穿戴式生物信息监测设备及方法

技术领域

本公开涉及生物信息监测领域，具体涉及基于人工智能芯片的穿戴式生物信息监测设备及方法。

背景技术

人体的各种生理参数，从常用的血压、体温、心率、脉搏，到更为复杂的脏器活动状态，都是在不同生理状态或不同病理状态下发生变化的。各种参数的生理变化是人体为了适应不同的状态各器官组织协同工作的反应，而各参数的病理状态下变化，反应了人体疾病进程的状态。临床上对于这些参数的获得，通常是在各种状态已然的情况下进行测量，比如运动后血压、心率的变化，要在运动后即刻进行测量，存在特定的检查体位和检查时间延迟，不利于准确反应特定状态下生理参数。而罹患某种疾病后，这些生理参数的检测对于诊断和疾病过程的判断具有重要价值，如能早期发现这些参数的变化更有意义，然而目前大都是在已然出现疾病表现后再去检测，失去早期检测的时机，如心力衰竭早期，心脏功能在静息状态下处于代偿状态而表现为正常，但在活动后方表现出异常，而目前最为简便最为准确判定心衰的技术——心脏超声检查，需要特定的静息、卧位检查，往往不能及时发现这种活动后才可以表现出的心功能异常。

为解决这种问题，目前已有穿戴式生物信息监测设备，用于获取心率、血压、心电信号。这些设备或者需要多个信号检测线造成穿戴的繁琐和信号检测易受到干扰，或者检测方式过于简单而准确性欠佳。目前穿戴式生理参数测量设备，包括佩戴于手腕、胸前等部位的各类形式设备，可以检测心率、血氧饱和度、血压、心电信号等。一般所采用的是光电容积脉搏波描记法(PhotoPlethysmoGraphy)，简称PPG法，或者采用心电信号、脉搏波检测、柯氏音检测，或者上述几种方法结合。发明人在研发过程中发现，上述方案普遍存在的问题就是准确率低，现有解决方案是增加设备复杂性来获取更全面和更为准确的生物信息，意味着设备必须进行更多的信息处理，这势必造成设备体积增大，不仅增加设备功耗不利于穿戴，而且佩戴体验不佳。此外，组织血流量、关节腔内压力等流体力学参数是评估器官、组织、尤其微小关节功能的重要参数，这些指标通过目前已有的穿戴式检测技术难以实现。更为重要的是所采集生物信息的可视化，如血管的运动、血流速度显示，这不仅需要对采集的信息进行计算，还需要信号处理后进行图像重建，这需要更多的集成线路、板卡等硬件设备，且由于计算量大，功耗大，即使有些系统将采集到的信息上传至云端或网络，利用云计算或网络平台进行信号处理，仍面临大量数据实时传输效率问题。

发明内容

为了克服上述现有技术的不足，本公开提供了一种基于人工智能芯片的穿戴式生物信息监测系统及其工作方法。

本公开一方面提供的人工智能芯片的技术方案是：

一种人工智能芯片，包括四级复合指令流水线和FPE阵列卷积计算单元；

所述四级复合指令流水线包括用于获取矩阵运算指令的第一指令流水线、用于处理所监测到的生物信息原始数据的第二指令流水线、用于对处理后的生物信息原始数据进行矩阵、算数、定点数乘以及点乘运算的第三指令流水线以及加载和存储所监测到的生物信息原始数据的第四指令流水线；

所述FPE阵列卷积计算单元，用于对第二指令流水线和第三指令流水线处理后的生物信息原始数据进行累加处理，重建成像模式、成像感兴趣区域和关键结构点。

进一步的，所述第一指令流水线包括用于预取指令接口接收的指令数据的指令预取缓存器；所述第四指令流水线包括用于通过数据接口读取片外大容量存储器存储的所监测到的生物信息原始数据的加载存储单元。

进一步的，所述第二指令流水线包括译码器和通用目的寄存器，所述译码器对指令预取缓存器存储的指令数据进行译码，所述通用目的寄存器获取第三指令流水线执行后数据、第四指令流水线存储的所监测生物信息原始数据以及FPE阵列卷积计算单元的计算结果，并对其进行逻辑运算处理，译码器译码后的数据、通用目的寄存器处理后的数据经过执行后分别输入到第三指令流水线、FPE阵列卷积计算单元，同时反馈给第一指令流水线。

进一步的，所述第三指令流水线包括当前状态寄存器、算数逻辑单元、定点乘法单元和点乘计算单元；所述当前状态寄存器、算数逻辑单元、定点乘法单元和点乘计算单元分别对第二指令流水线处理后的生物信息原始数据进行矩阵运算、逻辑运算、定点数乘累加运算以及点乘运算处理。

进一步的，所述FPE阵列卷积计算单元包括由多个串联的乘累加处理单元组成的若干乘累加处理单元组，每个乘累加处理单元组连接有缓存器，所述缓存器通过总线与SRAM存储器连接，所述SRAM存储器连接DMA控制器；所述乘累加处理单元组分别处理输入的多个生物信息原始数据，处理后的生物信息数据经过缓存器和SRAM存储器输入至DMA控制器，DMA控制器根据处理后的生物信息数据，重建成像模式、成像感兴趣区域和关键结构点，并将成像模式、成像感兴趣区域和关键结构点数据存储到SRAM存储器中。

本公开一方面提供的基于人工智能芯片的穿戴式生物信息监测设备的技术方案是：

一种基于人工智能芯片的穿戴式生物信息监测设备，包括模拟前端电路模块、数字前端模块以及如上所述的人工智能芯片；

所述模拟前端电路模块，用于产生激励超声换能器的电压脉冲，接收超声面阵换能器采集的回波电信号，并对其进行阻抗匹配，阻抗匹配后的回波电信号经过放大和模/数转换后，输入数字前端模块；

所述人工智能芯片根据成像目的和成像模式对生物信息原始数据进行不同运算，得到成像感兴趣区域和关键结构点，输出控制指令至数字前端模块；

数字前端模块，用于接收到人工智能芯片输出的控制指令后，采集所需成像点的回波信号，并对其进行动态的波束合成；波束合成后的信号经过滤波、正交解调以及批处理和流速估计后，实现超声图像重建与实时成像。

进一步的，所述模拟前端电路模块包括高压脉冲芯片、超声发射单元和模拟前端接收单元；

所述高压脉冲芯片通过接口与超声面阵换能器连接，接收超声面阵换能器采集的回波电信号，并传输至超声发射单元；

所述超声发射单元包括发射/接收转换开关和信号发射器，所述信号发射器的输入端与数字前端模块中发射通道波束合成器连接，输出端与发射/接收转换开关连接，用于产生激励超声换能器的电压脉冲；所述发射/接收转换开关分别与高压脉冲芯片、模拟前端接收模块连接，用于向高压脉冲芯片发射激励超声换能器的电脉冲信号，接收高压脉冲芯片发送的回波电信号进行阻抗匹配后，将阻抗匹配后的回波信号发射给模拟前端接收单元；

所述模拟前端接收单元包括前置放大器和模/数转换器，阻抗匹配后的回波电信号经过前置放大器放大、模/数转换器转换后，输入数字前端模块。

进一步的，所述数字前端模块包括发射通道波束合成器、时间增益补偿、接收通道波束合成器、直流滤波器、解调器和处理器；

所述时间增益补偿与接收通道波束合成器连接，用于补偿传播过程中回波信号的能量衰减；所述接收通道波束合成器与模拟前端接收单元、人工智能芯片连接，用于接收人工智能芯片发送的控制指令，采集所需成像关键点的回波信号，并进行动态的波束合成；波束合成后的信号经过直流滤波器滤波、解调器正交解调以及处理器处理后，实现超声图像重建与实时成像。

进一步的，所述模拟前端电路模块、数字前端模块以及人工智能芯片分别采用柔性电路。

本公开另一方面提供的基于人工智能芯片的穿戴式生物信息监测设备的工作方法的技术方案是：

一种基于人工智能芯片的穿戴式生物信息监测设备的工作方法，该方法包括以下步骤：

超声发射单元产生激励超声换能器的电压脉冲，并发射至高压脉冲芯片；

高压脉冲芯片接收超声面阵换能器采集的回波电信号，并传送给超声发射单元；

超声发射单元接收高压脉冲芯片传送的回波电信号，并对其进行阻抗匹配；

阻抗匹配后的回波电信号经过前端接收单元放大和模/数转换后，输入数字前端模块；

人工智能芯片根据成像目的和成像模式进行不同运算，得到成像感兴趣区域和关键结构点，输出控制指令至数字前端模块；

数字前端模块接收到人工智能芯片输出的控制指令后，采集所需成像点的回波信号，并对其进行动态的波束合成；

波束合成后的信号经过直流滤波器滤波、解调器正交解调和处理器处理后，实现超声图像重建与实时成像。

通过上述技术方案，本公开的有益效果是：

(1)本公开的人工智能芯片具有强大的现场计算能力，可在微型芯片上完成传统大规模集成电路板卡方能完成的计算过程，使得更加复杂和完整的生物信息获取在穿戴设备上获取后即刻进行处理；

(2)本公开的人工智能芯片具有可重构的优点，从而适用于RNN、CNN、FCN等多种人工智能网络结构，且芯片使用者或应用方不需要了解芯片的物理结构就可以轻易使用人工智能算法指令来实现同时支持空间分布和时间长短记忆的类脑功能，更好地模拟人脑的生物学习模型，增加了人工智能芯片在穿戴式监测设备上使用时，对多种信息处理的兼容性；

(3)本公开具有片上增量训练特点，通过自适应学习能力，不断提升芯片的计算精度，并能应对不同的算法应用环境，适应不同生物信息的计算与处理，适应不同的信息可视化过程；

(4)本公开具有定点数可调稀疏网络计算功能的优点，达到近似浮点数计算精度，实现嵌入式片上系统高精度计算和低功耗的关键需求。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本申请，并不构成对本公开的不当限定。

图1是实施例一SOC芯片的结构图；

图2是实施例一SOC芯片流水线结构的结构图；

图3是实施例一FPE阵列卷积计算单元的结构图；

图4是实施例二基于SOC芯片的穿戴式生物信息监测设备的结构图。

具体实施方式

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本公开使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一

为解决适型可穿戴式生物信息监测设备的低功耗、高吞吐率的难题，需要克服传统人工智能处理硬件系统中存在的通用性弱、吞吐率较低、功耗比较大、不能同时支持多种不同网络类型的缺陷，本实施例提供一种可重构的人工智能(SOC)芯片，能够实现人工智能算法还能够对大量数据传输进行有效管理，不仅减少了冗余数据的传输，从而进一步节省了整个可穿戴式生物信息监测设备的功耗，提高了数据处理和传输的有效性。

请参阅附图1，所述SOC芯片包括四级复合指令流水线和FPE阵列卷积计算单元；其中：

第一指令流水线包括指令预取缓存器，所述指令预取缓存器，用于预取指令接口接收的指令数据，包括用于矩阵运算的指令和操作数据，指令数据经过取指后输入到第二指令流水线的译码器。

所述第二指令流水线包括译码器和通用目的寄存器，所述译码器，用于对取指后的用于矩阵运算的指令和操作数据进行译码；所述通用目的寄存器，用于获取第三指令流水线执行后数据、第四指令流水线存储的所监测生物信息原始数据以及FPE阵列卷积计算单元计算得到的矩阵运算结果，并对其进行逻辑和算术运算处理，译码器译码后的数据、通用目的寄存器运算处理后的数据经过执行后分别输入到第三指令流水线、FPE阵列卷积计算单元，译码器译码后的数据、通用目的寄存器解析处理后的数据还反馈给第一指令流水线。

所述第三指令流水线包括当前状态寄存器、算数逻辑单元、定点乘法单元和点乘计算单元；所述当前状态寄存器，用于接收处理后的所监测到的生物信息原始数据，进行矩阵运算处理，将处理后的数据通过数据接口传输至片外大容量存储器；所述算数逻辑单元，用于接收处理后的所监测到的生物信息原始数据，进行逻辑运算处理，将处理后的数据输入第二指令流水线的通用目的寄存器；所述定点乘法单元，用于接收处理后的所监测到的生物信息原始数据，进行定点数乘累加运算处理，将处理后的数据输入第二指令流水线的通用目的寄存器；所述点乘计算单元，用于接收处理后的所监测到的生物信息原始数据，进行向量的点乘运算处理，将处理后的数据输入第二指令流水线的通用目的寄存器。

第四指令流水线包括加载存储单元，所述加载存储单元，用于通过数据接口读取片外大容量存储器存储的所监测到的生物信息原始数据，并输入到第二指令流水线的通用目的寄存器中。

在本实施例中，由于FPE阵列卷积计算单元的数据搬运以及计算时间都远远超过了单个时钟周期，甚至达到上千个时钟周期，因此不能采用常规的流水线结构，而采用了复合流水线结构的概念来解决流水线的平衡问题。复合流水线结构的SOC芯片同时采用短计算时间流水线和长计算时间流水线两套不同的流水线结构，短时间流水线即常规的单周期流水线结构，长时间流水线结构是根据人工智能深度学习算法的特点，将每一层的数据搬运和数据计算时间平均化，增加流水线的效率，降低空泡产生的几率，如图2所示。

请参阅附图3，所述FPE阵列卷积计算单元包括128个乘累加处理单元PE、32个缓存器、SRAM存储器和DMA控制器，每4个乘累加处理单元处理输入的4行所监测到的生物信息原始数据，而且每4个乘累加处理单元连接一个192字节的缓存器，所述32个缓存器通过64位总线与16M字节的全局SRAM存储器连接，该SRAM与DMA控制器连接，对SRAM的寻址和读写操作进行控制，所述DMA控制器，用于获取所有乘累加处理单元处理后的生物信息数据，重建成像模式，定位成像感兴趣区域和关键结构点，并将成像模式、成像感兴趣区域和关键结构点数据存储到SRAM存储器中，根据成像感兴趣区域和关键结构点，控制接收通道波束合成器单元对所需成像点进行信号采集。

本实施例提出的阵列卷积计算单元大大减少对SOC芯片外部大容量DDR与SOC芯片内部之间的数据搬运和交互，减少了芯片的面积，同时大大降低了SOC芯片对心脏超声数据处理的功耗。

本实施例提出的SOC芯片吞吐率超过50GOP/s(200MHz时钟频率下)，即每秒可进行超过50×109次16位乘累加运算；并可以按需将定点数精度变成8位使处理速度增加4倍，甚或将时钟频率变为400MHz，使处理速度比初始状态增加8倍，而计算精度误差不超过2％。不仅可适于多种人工智能网络结构，而且实现了近似于浮点数计算精度和高吞吐率，更为重要的是保持了低功耗。

实施例二

本实施例提供一种基于SOC芯片的穿戴式生物信息监测设备，请参阅附图4，该系统包括模拟前端电路模块、数字前端模块以及实施例一提出的SOC芯片。

具体地，所述模拟前端电路模块包括高压脉冲芯片、超声发射单元和模拟前端接收单元，所述高压脉冲芯片通过接口与超声面阵换能器连接，所述高压脉冲芯片还与超声发射单元中发射/接收转换开关连接，用于接收超声面阵换能器采集的回波电信号，并传输至超声发射单元；所述超声发射单元包括发射/接收转换开关和信号发射器，信号发射器的输入端与数字前端模块中发射通道波束合成器连接，输出端与发射/接收转换开关连接，用于产生峰值70V的激励超声换能器的电压脉冲；所述发射/接收转换开关分别与高压脉冲芯片、模拟前端接收模块中前置放大器连接，用于向高压脉冲芯片发射激励超声换能器的电脉冲信号，接收高压脉冲芯片发送的回波电信号进行阻抗匹配后，将阻抗匹配后的回波信号发射给模拟前端接收单元，实现发射信号和接收信号之间灵活切换；所述模拟前端接收单元包括前置放大器和模/数转换器，阻抗匹配后的回波电信号经过前置放大器放大、模/数转换器转换后，进入数字前端模块中接收通道波束合成器进行波束合成。

所述数字前端模块整合于现场可编程门阵列(FPGA)芯片中，包括发射通道波束合成器、时间增益补偿、接收通道波束合成器、直流滤波器、解调器和处理器，所述发射通道波束合成器与信号发射器连接，用于对信号发射器的脉冲进行延时，从而实现在空间特定点的聚焦，激发信号发射器的脉冲产生；所述时间增益补偿与接收通道波束合成器连接，用于补偿传播过程中回波信号的能量衰减；所述接收通道波束合成器与模拟前端接收单元、SOC芯片连接，用于在预调阶段，计算空间中每个点的回波信号延迟时间，对时间增益补偿后的回波信号进行动态的波束合成；在移动阶段，接收SOC芯片的指令仅对来自关键点的回波信号进行波束合成；波束合成后的信号经过直流滤波器滤波、解调器正交解调以及处理器Echo处理和血流速度估计等处理后，实现超声图像重建与实时成像。

在本实施例中，SOC芯片根据成像目的(如心脏成像、血管成像)和成像模式(如利用云架构、便携式一体化成像平台)执行不同的人工智能网络的运算，根据成像感兴趣区域和心脏关键结构点(如瓣环、心尖、室壁)，控制接收通道波束合成器单元对所需成像点进行信号采集。

本实施例提出的穿戴式生物信息监测设备利用FPGA整合数字前端整合，并利用SOC芯片实现现场计算并控制FPGA，继而控制模拟前端电路模块，将传统的大型超声设备架构的各部件功能在小型化的模块组上实现。除了小型化特点外，实现了低电压低功耗，还减少发热。

本实施例提出的穿戴式生物信息监测设备中各模块的电路板和连接线路均采用柔性电路，如聚酰亚胺、聚酯、涤纶等高分子材料的薄膜或粘结片等工艺的电路，或铜、铝等金属材料真空喷镀等工艺的电路，实现可穿戴。其中所述柔性电路包含但不限于引线路(Lead Line)、印刷电路(Printed Circuit)、连接器(Connector)以及多功能整合系统(Integratioon of Function)。

实施例三

本实施例提供一种基于SOC芯片的穿戴式生物信息监测设备的工作方法，该方法包括以下步骤：

步骤1，超声发射单元的信号发射器接收数字前端模块中发射通道波束合成器发射的激发信号，产生激励超声换能器的电压脉冲，并通过超声发射单元的发射/接收转换开关发射至高压脉冲芯片。

步骤2，高压脉冲芯片接收超声面阵换能器采集的回波电信号，并传送给超声发射单元的发射/接收转换开关。

步骤3，超声发射单元的发射/接收转换开关接收高压脉冲芯片传送的回波电信号，并对其进行阻抗匹配，将阻抗匹配后的回波信号发射给模拟前端接收单元。

步骤4，阻抗匹配后的回波电信号经过前端接收单元的前置放大器放大、模/数转换器转换后，进入数字前端模块中接收通道波束合成器进行波束合成。

步骤5，SOC芯片根据成像目的和成像模式进行不同的人工智能网络的运算，得到成像感兴趣区域和关键结构点，输出控制指令至数字前端模块。

步骤6，数字前端模块接收到SOC芯片输出的控制指令，对所需成像点的回波信号进行采集，利用采集到的信号进行动态的波束合成；波束合成后的信号经过直流滤波器滤波、解调器正交解调和处理器Echo处理和血流速度估计各单元处理后，实现超声图像重建与实时成像。

从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：

(1)本公开的人工智能芯片具有强大的现场计算能力，可在微型芯片上完成传统大规模集成电路板卡方能完成的计算过程，使得更加复杂和完整的生物信息获取在穿戴设备上获取后即刻进行处理；

(2)本公开的人工智能芯片具有可重构的优点，从而适用于RNN、CNN、FCN等多种人工智能网络结构，且芯片使用者或应用方不需要了解芯片的物理结构就可以轻易使用人工智能算法指令来实现同时支持空间分布和时间长短记忆的类脑功能，更好地模拟人脑的生物学习模型，增加了人工智能芯片在穿戴式监测设备上使用时，对多种信息处理的兼容性；

(3)本公开具有片上增量训练特点，通过自适应学习能力，不断提升芯片的计算精度，并能应对不同的算法应用环境，适应不同生物信息的计算与处理，适应不同的信息可视化过程；

(4)本公开具有定点数可调稀疏网络计算功能的优点，达到近似浮点数计算精度，实现嵌入式片上系统高精度计算和低功耗的关键需求。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。